人工智能（AI）技術(shù)的迅猛發(fā)展，特別是DeepSeek等大模型的出現(xiàn)，對(duì)金融市場(chǎng)產(chǎn)生了巨大沖擊。近日，在浦東新區(qū)政協(xié)指導(dǎo)下，上海交通大學(xué)上海高級(jí)金融學(xué)院與澳門科技大學(xué)澳門金融科技創(chuàng)新研究院聯(lián)合舉辦了“AI與金融市場(chǎng)的未來(lái)”閉門研討會(huì)，共同探討了AI對(duì)金融市場(chǎng)的影響。

* 本文隸屬于高金智庫(kù)成果簡(jiǎn)（要）報(bào)系列，執(zhí)筆人為高金智庫(kù)青年研究員賈德錚。本文較報(bào)告原文有所刪減，原報(bào)告名稱為《AI與金融市場(chǎng)的未來(lái)》。

AI金融模型發(fā)展的趨勢(shì)

◎一是AI金融模型數(shù)量將逐漸增多。從目前AI金融投資模型來(lái)看，人工智能的投資模式往往是人類投資策略的模型化，即人工智能將知名投資人的投資策略進(jìn)行數(shù)量化和模型化處理，通過(guò)系統(tǒng)程序構(gòu)建投資組合，形成風(fēng)險(xiǎn)最小、收益最大的投資策略。當(dāng)一個(gè)投資人通過(guò)30年至50年的學(xué)習(xí)形成獨(dú)特有效的投資策略時(shí)，人工智能就可以將這一策略永久地固定下來(lái)。因此，只要不斷有投資者做出新的、有效的投資策略，人工智能金融模型的數(shù)量就會(huì)越來(lái)越多。

◎二是AI金融模型可能出現(xiàn)小型化、分散化趨勢(shì)。由于訓(xùn)練金融模型需要大量的算力、語(yǔ)料和參數(shù)，優(yōu)化成本高、難度大，加之金融市場(chǎng)易受外部擾動(dòng)因素影響，即使訓(xùn)練出金融大模型也難以大幅提高投資成功率，因此，各金融機(jī)構(gòu)傾向于開(kāi)發(fā)小模型，通過(guò)限制參數(shù)、提高知識(shí)密度等方式，建立更加聰明的智能體，以提高金融模型的投入產(chǎn)出比。未來(lái)市場(chǎng)上可能形成數(shù)量眾多的金融智能體，這些智能體相互“溝通”、“協(xié)調(diào)”，共同完成某一金融活動(dòng)。

◎三是AI金融模型將更受市場(chǎng)青睞。AI時(shí)代的金融競(jìng)爭(zhēng)已經(jīng)演變?yōu)橐揽空w系統(tǒng)、整個(gè)體系去競(jìng)爭(zhēng)，而不是依靠個(gè)人單槍匹馬地競(jìng)爭(zhēng)。從全球來(lái)看，2004年基本上所有的基金都靠人做決策，但是到了2024年絕大多數(shù)業(yè)績(jī)較好的基金都是由機(jī)器做決策。基于量化、基于機(jī)器學(xué)習(xí)進(jìn)行金融資產(chǎn)配置的機(jī)構(gòu)快速成長(zhǎng)，人的功能在投資過(guò)程中已經(jīng)被弱化。原因在于，一方面，人工智能會(huì)生產(chǎn)更有效的投資策略，提供更高收益風(fēng)險(xiǎn)比的策略，更受基金投資人青睞。另一方面，人工智能大大提高了風(fēng)控效率。個(gè)人在做風(fēng)控時(shí)往往較為主觀，且僅能觀察有限的金融資產(chǎn)，但是人工智能每天可以觀察成千上萬(wàn)只股票，世界上發(fā)生的任何事情都可被納入模型。因此，量化基金通常可以同時(shí)持倉(cāng)1,000多只股票，這對(duì)個(gè)人來(lái)說(shuō)是不可能實(shí)現(xiàn)的。

AI金融模型發(fā)展仍需解決三大瓶頸

◎一是算力問(wèn)題依然是制約金融模型的瓶頸。在人工智能領(lǐng)域，算力越多模型功能就越強(qiáng)。由于人工智能大模型訓(xùn)練的向量化邏輯，只要顯卡（GPU）足夠多，大模型的訓(xùn)練難度就會(huì)大幅降低。目前，全球有約320萬(wàn)塊英偉達(dá)H100顯卡，其中，谷歌約有32萬(wàn)塊，微軟有66萬(wàn)塊，Meta有40萬(wàn)塊，亞馬遜有29萬(wàn)塊，其他的加起來(lái)合計(jì)140萬(wàn)塊。我國(guó)DeepSeek約有1萬(wàn)塊，在數(shù)量上落后于國(guó)際知名企業(yè)，并由此導(dǎo)致其出現(xiàn)事實(shí)性“幻覺(jué)”（如生成內(nèi)容失實(shí)）的概率遠(yuǎn)高于ChatGPT-4o 。此外，國(guó)內(nèi)部分企業(yè)也擁有大量H100顯卡，但是由于其業(yè)務(wù)范圍廣，能用于訓(xùn)練大模型的顯卡數(shù)量非常有限。與此同時(shí)，本土顯卡產(chǎn)品的算力明顯落后于英偉達(dá)，如華為GPU的算力僅相當(dāng)于英偉達(dá)H100顯卡的1/10至1/5，制約了國(guó)內(nèi)大模型的發(fā)展。

◎二是電力能源約束問(wèn)題將日益凸顯。提升人工智能大模型的生成效果和準(zhǔn)確性就必須提高算力，也就是投入更多的GPU，與之相對(duì)，就需要更多的參數(shù)調(diào)試，這背后都需要更多的電力能源支撐，例如一個(gè)用了16000萬(wàn)H100顯卡訓(xùn)練出的大模型，如果想要將性能提升200倍，其用電量就相當(dāng)于1000萬(wàn)人的城市用電量，這在未來(lái)將會(huì)是巨大的能源挑戰(zhàn)。

◎三是大模型語(yǔ)料投喂也將遇到瓶頸。目前，把人類5000年文明歷史中所有的著作用文本進(jìn)行記錄，合在一起大約45T的規(guī)模，已經(jīng)難以滿足人工智能大模型的訓(xùn)練需求。此外，很多大模型企業(yè)將AI生成的文字又重新放到大模型語(yǔ)料庫(kù)，導(dǎo)致大模型對(duì)這些內(nèi)容真?zhèn)坞y辨，造成的結(jié)果就是大模型的知識(shí)密度下降，“幻覺(jué)”概率提高。

AI金融模型對(duì)金融市場(chǎng)影響有限

◎一是AI工具不具備邏輯推理能力。AI從根源上來(lái)看只是一個(gè)數(shù)據(jù)驅(qū)動(dòng)方式，主要作用是通過(guò)特定技術(shù)對(duì)數(shù)據(jù)進(jìn)行總結(jié)歸納，目前還不能進(jìn)行演繹推理，也不具備邏輯推理能力，因此，AI大模型只具備人類的一部分能力，不能完全替代人類。

◎二是金融市場(chǎng)信噪比高導(dǎo)致AI準(zhǔn)確率難以顯著提升。在金融市場(chǎng)，股票交易獲得收益的基準(zhǔn)概率是50%，即判斷一個(gè)交易日漲跌成功的概率是50%，只有超過(guò)50%才有可能獲得正收益。著名投資家巴菲特和西蒙斯也只能達(dá)到53.7%，原因在于金融行業(yè)的噪音過(guò)大，在不具備邏輯推理能力的情況下，大模型在金融市場(chǎng)也難以明顯超過(guò)50%這一基準(zhǔn)點(diǎn)。

◎三是將文本轉(zhuǎn)化為知識(shí)去捕捉交易信號(hào)難以顯著提升收益率。實(shí)證檢驗(yàn)表明，在有自己投資策略的情況下，投資者依靠人工來(lái)處理文本，對(duì)文本信息捕捉的正確率可到達(dá)80%，以該信息進(jìn)行投資的收益率是12%；但是在用了大模型后，對(duì)文本信息捕捉的正確率僅達(dá)到80.1%，投資收益率僅為12.2%，即大模型并沒(méi)有在文本處理方面有顯著優(yōu)勢(shì)。

◎四是人工智能機(jī)器學(xué)習(xí)在金融市場(chǎng)并不萬(wàn)能。機(jī)器學(xué)習(xí)主要采取梯度下降的方式進(jìn)行參數(shù)調(diào)整，以求得區(qū)域內(nèi)的最小風(fēng)險(xiǎn)和最大收益，神經(jīng)卷積、神經(jīng)網(wǎng)絡(luò)都屬于梯度下降的方式。但是在金融市場(chǎng)，決定資產(chǎn)風(fēng)險(xiǎn)和價(jià)值的因素會(huì)不斷變化，導(dǎo)致市場(chǎng)內(nèi)往往存在多個(gè)有局部最小風(fēng)險(xiǎn)的區(qū)域，因此，需要投資者通過(guò)演繹推導(dǎo)方法選定可能產(chǎn)生最小風(fēng)險(xiǎn)的區(qū)域，然后再用機(jī)器學(xué)習(xí)方法求出風(fēng)險(xiǎn)最小點(diǎn)，這一過(guò)程離不開(kāi)人的介入。

◎五是大模型根據(jù)歷史而不是當(dāng)前信息制定投資策略。大模型的訓(xùn)練過(guò)程中使用歷史數(shù)據(jù)作為語(yǔ)料，目前，ChatGPT-4o訓(xùn)練到去年11月截止，Deepseek訓(xùn)練到上個(gè)月底截止，這些大模型知道之前所有關(guān)于股市的信息，如果將大模型生成的投資策略放入之前的時(shí)期進(jìn)行模擬，其準(zhǔn)確性會(huì)非常高，但是大模型不知道未來(lái)的信息，其生成的投資策略并不完全有效。

◎六是AI金融模型無(wú)法提供擇時(shí)投資的信息。投資者希望在未來(lái)市場(chǎng)好的時(shí)候加倉(cāng)，在未來(lái)市場(chǎng)不好的時(shí)候減倉(cāng)，也即擇時(shí)投資，但這難以做到，原因在于投資者不知道什么時(shí)候市場(chǎng)好、什么時(shí)候市場(chǎng)差。對(duì)于AI也一樣，AI的預(yù)測(cè)無(wú)法去除股市中下跌的情況，其模型也無(wú)法訓(xùn)練出可以識(shí)別股市漲落的時(shí)機(jī)，并提供有效的投資建議。

發(fā)展AI金融模型的建議

◎一是加強(qiáng)人工智能方面的基礎(chǔ)研究。硬科技不僅包括看得見(jiàn)、摸得著的科技，還包括很多看不見(jiàn)摸不著的底層科技，這些底層科技大多來(lái)源于基礎(chǔ)研究，需要針對(duì)數(shù)學(xué)、統(tǒng)計(jì)學(xué)開(kāi)展持續(xù)深入探索，以提升模型的運(yùn)行效率。此外，當(dāng)前美國(guó)大幅削減了美國(guó)國(guó)立衛(wèi)生研究院（National Institutes of Health，NIH）等科研機(jī)構(gòu)的資金，正是中國(guó)大幅投入基礎(chǔ)研究的好時(shí)機(jī)。

◎二是構(gòu)建適應(yīng)AI時(shí)代的教育體系。在金融市場(chǎng)，不同背景的人做出的AI模型也有不同特點(diǎn)，數(shù)學(xué)模型、經(jīng)濟(jì)學(xué)模型、統(tǒng)計(jì)學(xué)模型以及機(jī)器學(xué)習(xí)，都是為了更好預(yù)測(cè)股票市場(chǎng)，但是這幾類技術(shù)對(duì)人的要求都很高，大學(xué)對(duì)這些知識(shí)體系的整合程度很低，這些知識(shí)在很多大學(xué)可能分屬商學(xué)院、理學(xué)院、工學(xué)院，因此，有必要重構(gòu)大學(xué)教育體系。

◎三是正確認(rèn)識(shí)量化交易的市場(chǎng)功能。量化投資是借助模型用盡可能多的因子，通過(guò)數(shù)量化的方法去解釋主觀的投資策略。其特點(diǎn)是不關(guān)注每天的漲跌，而用更長(zhǎng)的周期作為收益測(cè)算基準(zhǔn)，在股票選擇上更傾向于選擇被低估的股票，拋售被高估的股票，在股票市場(chǎng)發(fā)揮實(shí)質(zhì)上的穩(wěn)定器作用，同時(shí)，也給投資者提供一個(gè)非常穩(wěn)定的收益。此外，量化交易的交易頻率比市場(chǎng)上中小投資者高，其競(jìng)爭(zhēng)對(duì)手是其他量化交易主體，并不會(huì)“收割”市場(chǎng)上的中小投資者。

內(nèi)容來(lái)源｜高金智庫(kù)SAIF ThinkTank

高金項(xiàng)目火熱招生中…

歡迎點(diǎn)擊小程序了解更多信息